| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第17-31页 |
| 1.1 课题的研究背景及意义 | 第17-19页 |
| 1.2 课题的研究现状 | 第19-28页 |
| 1.2.1 研究进展 | 第19-22页 |
| 1.2.2 存在的挑战 | 第22-25页 |
| 1.2.3 性能评估及常用数据集 | 第25-28页 |
| 1.3 论文的主要工作和研究成果 | 第28-30页 |
| 1.4 论文的结构安排 | 第30-31页 |
| 第二章 行人再识别的相关算法 | 第31-51页 |
| 2.1 特征表示方法 | 第31-38页 |
| 2.1.1 底层视觉特征提取 | 第31-36页 |
| 2.1.2 高层语义特征学习 | 第36-37页 |
| 2.1.3 特征表示方法总结 | 第37-38页 |
| 2.2 特征匹配算法 | 第38-44页 |
| 2.2.1 度量学习 | 第39-40页 |
| 2.2.2 投影学习 | 第40-42页 |
| 2.2.3 局部对应关系学习 | 第42-43页 |
| 2.2.4 特征匹配算法总结 | 第43-44页 |
| 2.3 深度神经网络算法 | 第44-49页 |
| 2.3.1 网络结构 | 第44-46页 |
| 2.3.2 损失函数 | 第46-48页 |
| 2.3.3 深度神经网络算法总结 | 第48-49页 |
| 2.4 本章小结 | 第49-51页 |
| 第三章 基于正则化度量学习的行人再识别算法 | 第51-61页 |
| 3.1 引言 | 第51-52页 |
| 3.2 相关工作 | 第52页 |
| 3.3 我们的方法 | 第52-57页 |
| 3.3.1 不同形式的度量函数 | 第53页 |
| 3.3.2 正则化度量学习算法 | 第53-57页 |
| 3.4 实验结果及分析 | 第57-59页 |
| 3.4.1 数据集和实验设置 | 第57-58页 |
| 3.4.2 与基准模型的性能对比 | 第58页 |
| 3.4.3 与同期其他先进ReID模型的性能对比 | 第58-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第四章 基于空间金字塔统计特征及多核学习的行人再识别算法 | 第61-91页 |
| 4.1 引言 | 第61-62页 |
| 4.2 相关工作 | 第62-64页 |
| 4.3 我们的算法 | 第64-74页 |
| 4.3.1 基于空间金字塔的统计特征提取框架 | 第64-71页 |
| 4.3.2 基于多核局部费舍尔判别分析的特征融合 | 第71-74页 |
| 4.4 实验结果及分析 | 第74-89页 |
| 4.4.1 数据集和实验设置 | 第74-75页 |
| 4.4.2 空间金字塔统计特征的相关细节 | 第75-76页 |
| 4.4.3 空间金字塔统计特征的详细性能评估 | 第76-81页 |
| 4.4.4 空间金字塔统计特征与原始特征的性能对比 | 第81-83页 |
| 4.4.5 mkLFDA与其他多核学习算法的性能对比 | 第83-85页 |
| 4.4.6 与同期其他先进ReID算法的性能对比 | 第85-87页 |
| 4.4.7 算法时间复杂度分析 | 第87-89页 |
| 4.5 本章小结 | 第89-91页 |
| 第五章 基于上下文敏感特征序列及双重注意力匹配的行人再识别网络 | 第91-113页 |
| 5.1 引言 | 第91-93页 |
| 5.2 相关工作 | 第93-95页 |
| 5.3 我们的方法 | 第95-102页 |
| 5.3.1 上下文敏感的特征序列提取模块 | 第95-97页 |
| 5.3.2 基于双重注意力机制的特征序列匹配模块 | 第97-100页 |
| 5.3.3 损失函数 | 第100-102页 |
| 5.4 实验结果及分析 | 第102-111页 |
| 5.4.1 数据集和实验设置 | 第102-104页 |
| 5.4.2 DuATM模型的性能评估 | 第104-107页 |
| 5.4.3 DuATM与其他ReID模型的性能对比 | 第107-110页 |
| 5.4.4 双重注意力机制的可视化 | 第110-111页 |
| 5.5 本章小结 | 第111-113页 |
| 第六章 总结与展望 | 第113-117页 |
| 6.1 工作总结 | 第113-114页 |
| 6.2 研究展望 | 第114-117页 |
| 附录A 缩略语表 | 第117-121页 |
| 参考文献 | 第121-133页 |
| 致谢 | 第133-135页 |
| 攻读学位期间发表的学术论文目录 | 第135页 |
